IMPLEMENTACIÓN DE ALGORITMOS GENÉTICOS EN MATLAB PARA

DESPACHO ECONÓMICO

JEISON STEVEN CHAPID TIMARAN

JAIRO ANDRES CUELLAR

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA

ESCUELA DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

PROGRAMA DE INGENIERÍA ELÉCTRICA

2025
IMPLEMENTACIÓN DE ALGORITMOS GENÉTICOS EN MATLAB PARA
DESPACHO ECONÓMICO

JEISON STEVEN CHAPID TIMARAN

JAIRO ANDRES CUELLAR

INFORME TRABAJO FINAL

DOCENTE
CARLOS ARTURO LOZANO MONCADA, Ph.D

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA

ESCUELA DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

PROGRAMA DE INGENIERÍA ELÉCTRICA

2025
TABLA DE CONTENIDO

1 INTRODUCCIÓN 1

2 OBJETIVOS 2
2.0.1 OBJETIVO GENERAL . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.0.2 OBJETIVOS ESPECÍFICOS . . . . . . . . . . . . . . . . . . . . . . 2

3 MARCO TEORICO 3
3.1 ALGORITMOS GENÉTICOS . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.1 Principios básicos de los AG . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.2 Operadores Genéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.1.3 Proceso de evolución . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.4 Ventajas de los Algoritmos genéticos . . . . . . . . . . . . . . . . . . 7
3.1.5 Principales caracteristicas de los AG . . . . . . . . . . . . . . . . . . 8
3.2 DESPACHO ECONÓMICO . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.1 Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.2 Algoritmo Genético implementado en despacho económico de siste-
mas de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.3 Algortimos Genéticos para el despacho ótimo de carga en redes eléctri-
cas con restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4 ANALISIS DE LITERATURA 16
4.1 IMPLEMENTACIÓN DE LOS ALGORITMOS GENÉTICOS EN MATLAB
PARA DESPACHO ECONÓMICO MEDIANTE UN EJEMPLO . . . . . . 16
4.1.1 Potencias mı́nimas y máximas de las unidades generadoras: . . . . . . 16
4.1.2 Demanda total del sistema: . . . . . . . . . . . . . . . . . . . . . . . 17
 4.1.3 Funciones de costo para cada unidad generadora: . . . . . . . . . . . 17
4.1.4 Implementación del Algoritmo Genético . . . . . . . . . . . . . . . . 19
4.1.5 Aplicación AG en MATLAB y resultados obtenidos . . . . . . . . . . 20

5 CONCLUSIONES 26

6 REFERENCIAS 27
 1. INTRODUCCIÓN

En la operación de los sistemas eléctricos de potencia el despacho económico es uno de los

problemas más importantes, ya que permite determinar la asignación más eficiente de la
capacidad de generación para satisfacer la demanda de electricidad a un costo mı́nimo. Nor-
malmente, los problemas de despacho económico se han resuelto utilizando métodos clásicos
de optimización, tales como la programación cuadrática o los multiplicadores de Lagrange.
Sin embargo, estos métodos requieren que las funciones de costo sean convexas. En la prácti-
ca, muchas unidades generadoras, como las turbinas de vapor con válvulas multivalvulares,
presentan caracterı́sticas de costo no convexas, lo que dificulta su optimización mediante
métodos tradicionales.

Es ası́ como los algoritmos genéticos representan una herramienta de optimización estocástica
basada en la evolución natural que no depende de la convexidad de la función ni de la
derivabilidad, siendo una alternativa muy adecuada para resolver problemas de optimización
en sistemas complejos. El presente documento documento describe la implementación de un
algoritmo genético en MATLAB para resolver el problema de despacho económico.

1
 2. OBJETIVOS

2.0.1. OBJETIVO GENERAL

Implementar un algoritmo genético en MATLAB para resolver el problema de despacho

económico en sistemas eléctricos de potencia, particularmente cuando las funciones de costo
son no convexas.

2.0.2. OBJETIVOS ESPECÍFICOS

1. Analizar los resultados obtenidos, comparando la eficiencia del algoritmo genético sin
considerar y considerando las pérdidas del sistema.

2. Proporcionar una visión general acerca de los algoritmos genéticos y su contraste con
los métodos tradicionales de análisis, búsqueda y optimización.

3. Promover la utilización de técnicas nuevas y novedosas como los son la aplicación de

algoritmos genéticos en las diferentes áreas de la Ingenieria Eléctrica.

2
 3. MARCO TEORICO

Los algoritmos genéticos (AG) son métodos de búsqueda y optimización inspirados en los
principios de la evolución natural. Estos algoritmos pertenecen a la familia de los algoritmos
evolutivos, que son técnicas de optimización global basadas en los principios de selección
natural de las especies. Los AG simulan el proceso de evolución biológica para encontrar
soluciones óptimas a problemas de optimización complejos y de alta dimensión, como el
despacho económico en sistemas eléctricos de potencia.

3.1. ALGORITMOS GENÉTICOS

3.1.1. Principios básicos de los AG

El principio fundamental de los algoritmos genéticos radica en la idea de la evolución de

una población de posibles soluciones (individuos) mediante un proceso iterativo, donde las
soluciones más aptas tienen mayor probabilidad de ser seleccionadas para generar nuevas
soluciones en generaciones sucesivas [7]. Los AG operan de manera estocástica, utilizando
operadores inspirados en los mecanismos biológicos de reproducción, cruza y mutación.

• Representación de Individuos (Cromosomas): En un algoritmo genético, cada solución

candidata al problema es representada como un cromosoma o un vector de genes.
En el caso del despacho económico, un cromosoma puede representar un conjunto de
potencias Pi generadas por las unidades generadoras del sistema. Cada gen dentro de
un cromosoma representa el valor de una potencia generada por una unidad generadora
particular.

• Población de Soluciones: La población en un AG está compuesta por un conjunto de

individuos (soluciones candidatas). A medida que avanza el algoritmo, esta población se

3
 va evolucionando en generaciones, con el objetivo de mejorar la calidad de las soluciones
a lo largo del tiempo. Inicialmente, la población se genera de forma aleatoria, pero a
medida que el proceso avanza, las soluciones tienden a mejorar, pues los individuos
más aptos (los que generan soluciones con mejor fitness) tienen más probabilidades de
ser seleccionados para las siguientes generaciones.

• Función de Fitness: Cada individuo en la población tiene un valor asociado llamado

fitness, que mide la calidad de la solución representada por ese individuo. En el contexto
del despacho económico, la función de fitness puede estar basada en la minimización del
costo total de generación y la penalización por desviación de la carga, lo que significa
que las soluciones que generan un costo menor y cumplen mejor con el balance de
potencia recibirán un fitness más alto.

Con el objeto de comprender los conceptos básicos asociados a los AG se presentan sus
principales componentes:

3.1.2. Operadores Genéticos

[2] Para simular el proceso de evolución natural, los algoritmos genéticos utilizan varios
operadores genéticos, que son responsables de generar nuevas soluciones a partir de las exis-
tentes.

• Reproducción (Selección): El operador de selección es responsable de elegir qué indivi-

duos de la población actual pasarán a la siguiente generación. Existen varios métodos
de selección, como la selección por ruleta, selección por torneo y selección por jerarquia
que favorecen a los individuos con mejor fitness. En términos biológicos, este proceso
simula la supervivencia del más apto, en el que los individuos con mejor adaptación
(mayor fitness) tienen más probabilidades de reproducirse.

4
 • Cruza (Recombinación): El operador de cruza (también conocido como recombinación)
es responsable de combinar las caracterı́sticas de dos individuos seleccionados para ge-
nerar descendencia. El operador de cruza simula el proceso de reproducción sexual,
donde la información genética de ambos padres se mezcla para formar un nuevo in-
dividuo. En el caso del despacho económico, este operador combinará las potencias
generadas por dos individuos para formar una nueva solución, que puede ser mejor que
sus padres.

Un tipo común de cruza es la cruza de un solo punto, en la que el cromosoma de cada

padre se divide en dos partes y se intercambian entre sı́ para crear nuevos individuos.

• Mutación El operador de mutación introduce variabilidad genética en la población.

Este operador actúa sobre un individuo seleccionando uno de sus genes y modificando
su valor de manera aleatoria. En el contexto del despacho económico, la mutación
podrı́a consistir en ajustar aleatoriamente la potencia generada por una unidad dentro
de sus lı́mites operativos. El propósito de la mutación es prevenir que el algoritmo se
quede atrapado en óptimos locales, al introducir soluciones nuevas y diferentes en la
población.

Según [1]; el proceso de reproducción promueve la propagación de individuos robustos, pe-

ro no produce mejores individuos. El propósito del operador cruza es aparear individuos
combinando sus caracterı́sticas, creando descendencia de mejor calidad. La mutación mejora
la diversidad entre la población. Si se presenta una convergencia prematura a una solución
subóptima se puede prevenir con una alta tasa de mutación y ası́ forzar la diversidad entre la
población. Sin embargo, la tasa de mutación se debe mantener baja como en las poblaciones
naturales, de lo contrario; las soluciones buenas serı́an destruidas. El diseño de la función
”[Link] dependiente del problema particular de optimización.

5
3.1.3. Proceso de evolución

[7] El proceso de optimización en un algoritmo genético sigue un ciclo iterativo que incluye
las siguientes fases:

1. Inicialización: Se genera una población inicial de soluciones aleatorias.

2. Evaluación: Se calcula el fitness de cada individuo en la población.

3. Selección: Se seleccionan los individuos más aptos para formar la siguiente generación.

4. Cruza: Se aplican los operadores de cruza a los individuos seleccionados para crear
nuevos individuos.

5. Mutación: Se aplica el operador de mutación para generar variabilidad genética.

6. Reemplazo: La nueva población reemplaza a la antigua y el ciclo se repite.

El proceso continúa hasta que se alcanza un criterio de parada, como un número máximo de
generaciones o una mejora marginal en el fitness de las soluciones. Este proceso se explica
más a detalle con un ejemplo en [2].

[2] En resumen, el algoritmo genético funciona de la siguiente forma: se genera una población
inicial de individuos, todos ellos codificados según el criterio elegido, se procede luego a
aplicar las operaciones genéticas que son la selección, el cruzamiento y la mutación, mediante
las cuales se obtendrán nuevas generaciones de individuos, algunos de ellos tendrán mejores
caracterı́sticas que sus antecesores y otros no, por lo que entra en escenario la función objetivo
que premia a los más aptos y castiga a los peores, luego se procederá a seleccionar a los nuevos
pradres los mismos que van a producir una nueva generación de individuos o cromosomas, se
continua ası́ hasta que la función objetivo o algún criterio de para indique que se ha cumplido
con un resultado satisfactorio.

6
3.1.4. Ventajas de los Algoritmos genéticos

Los algoritmos genéticos (AG) para el despacho económico de sistemas eléctricos tiene como
ventaja su capacidad para manejar funciones de costo no convexas [14] y resolver problemas
complejos con múltiples óptimos locales, caracterı́sticas que dificultan el uso de métodos
tradicionales de optimización como la programación cuadrática o los multiplicadores de La-
grange. A continuación, se detallan varias ventajas clave:

• Manejo de Funciones de Costo No Convexas: En sistemas de potencia reales, las funcio-

nes de costo de las unidades generadoras pueden ser no convexas debido a fenómenos
como las válvulas multivalvulares en las turbinas de vapor. Estas caracterı́sticas ge-
neran múltiples óptimos locales y saltos discontinuos en el costo de generación. Los
algoritmos genéticos no requieren que las funciones sean convexas ni derivables, lo que
les permite explorar múltiples soluciones posibles y encontrar óptimos locales cercanos
al óptimo global.

• Exploración Global del Espacio de Soluciones: A diferencia de los métodos determinı́sti-

cos que a menudo se basan en el cálculo de gradientes o en condiciones de optimalidad
locales (como las condiciones de Karush-Kuhn-Tucker en métodos clásicos), los AG
trabajan con poblaciones de soluciones. Esto les permite explorar el espacio de búsque-
da de manera global y evitar quedar atrapados en mı́nimos locales, aumentando ası́ la
probabilidad de encontrar una solución cercana al óptimo global.

• Flexibilidad para Manejar Restricciones Complejas: Los algoritmos genéticos pueden

incorporar fácilmente restricciones no lineales y complejas (como lı́mites operativos
de generación, restricciones de pérdidas de energı́a, etc.), sin necesidad de reformular
el problema en términos de derivadas o condiciones de optimalidad especı́ficas. Esto
los convierte en una opción versátil para problemas prácticos de despacho económico,
donde las restricciones pueden variar y ser difı́ciles de manejar con otros métodos.

7
 • Adaptabilidad a Problemas Multidimensionales: El despacho económico no solo invo-
lucra funciones de costo no convexas, sino también un número elevado de unidades
generadoras, cada una con sus propias caracterı́sticas. Los algoritmos genéticos pueden
manejar problemas de optimización multidimensionales con muchas variables de ma-
nera eficiente, sin necesidad de simplificar el modelo o suponer que las funciones son
lineales o convexas.

• No Dependen de Derivadas: Los algoritmos genéticos no requieren el cálculo de deri-

vadas de las funciones de costo o las restricciones, lo que los hace especialmente útiles
cuando las funciones son discontinuas o no diferenciables. Esto es un beneficio significa-
tivo en comparación con los métodos tradicionales que dependen de la diferenciabilidad
de la función objetivo y las restricciones.

• Capacidad para Manejar Múltiples Objetivos: Los algoritmos genéticos pueden ser fácil-
mente adaptados para resolver problemas de optimización multiobjetivo. Por ejemplo,
en el despacho económico, el objetivo es minimizar el costo de generación, pero también
se pueden considerar otros factores, como la eficiencia energética o la estabilidad del
sistema. Los AG permiten que múltiples objetivos se optimicen simultáneamente, lo
que los hace ideales para aplicaciones en sistemas eléctricos con múltiples criterios de
decisión.

3.1.5. Principales caracteristicas de los AG

Según [2]; los algoritmos genéticos son un ejemplo de un procedimiento de búsqueda alea-
toria, los caules utilizan a la elección como una herramienta de búsqueda para obtener una
alta explotación de los resutados, utilizando también la codificación de los individuos o cro-
mosomas, aplicando ası́ la teorı́a de la evolución de los seres [Link] elección aleatoria de
los parámetros deirige el resultado hacia un óptimo mediante la función, la cual premia o
castiga a las soluciones de acuerdo a las restricciones del problema que se pretende resolver.

8
Las principales caracterı́sticas de los algoritmos genéticos son [4]:

• Los AG trabajan co la codificación del conjunto de parámetros, no con los parámetros

en sı́ (Población de individuos)

• Los AG buscan de entre una población de puntos, no un punto en particular, es decir,

evalúan un grupo de soluciones buscando el óptimo, en lugar de un punto a la vez
(Gneraciones, poblaciones).

• Los AG evalúan las posibles soluciones (funcion de aptitud o funcion fitness), sin aplicar
ningún proceso de inferencia o suposición.

• Los AG usan reglas de transición probabilı́sticas en lugar de reglas determinı́sticas

(elección de la población inicial, elección de los genes de cada individuo, selección de
padres o punto de cruce, mutación).

• Los algoritmos genéticos requieren que el conjunto de parámetros del problema de

optimización sean codificados como una cadena de longitud finita, definida a su vez
sobre algún alfabeto finito (números, letras, binario, hı́bridos, etc).

3.2. DESPACHO ECONÓMICO

3.2.1. Definición

Se utiliza en los sistemas eléctricos para decidir cuánta energı́a debe generar cada planta
eléctrica, de manera que se cubra la demanda total al menor costo posible. Para lograrlo,
se tienen en cuenta los costos de generación de cada planta, ası́ como sus lı́mites técnicos
(potencia mı́nima y máxima). El objetivo es encontrar una combinación de generación que
cumpla con la demanda sin exceder los lı́mites de cada unidad, minimizando al mismo tiempo
el costo total de producción de energı́a.

9
El despacho económico es un proceso de optimización operativa que se utiliza en los sistemas
eléctricos de potencia para determinar la cantidad óptima de energı́a que debe generar cada
unidad generadora disponible, de forma tal que se minimice el costo total de operación
cumpliendo simultáneamente con todas las restricciones técnicas, operativas y de demanda
del sistema [5]. En otras palabras, busca asignar la producción de electricidad entre las
distintas unidades generadoras (como plantas térmicas, hidroeléctricas o nucleares) de tal
forma que se satisfaga la demanda eléctrica al menor costo posible.

En el despacho económico intervienen diversos factores fundamentales. Primero, las funciones

de costo de generación, que describen el gasto asociado a producir una cantidad determi-
nada de energı́a. Estas funciones suelen representarse, especialmente en unidades térmicas,
mediante una expresión cuadrática del tipo:

C(Pi ) = ai + bi Pi + ci Pi2 (3.1)

Donde Pi es la potencia generada por la unidad i, y ai , bi , ci son coeficientes de costo

especı́ficos de cada planta. En segundo lugar, se deben considerar las restricciones de potencia
de cada generador, que indican los lı́mites técnicos de operación:

Pmı́n,i ≤ Pi ≤ Pmáx,i (3.2)

donde Pmı́n,i y Pmáx,i son la potencia mı́nima y máxima permitida para la unidad i. Otro
factor esencial es el equilibrio entre la generación y la demanda, que exige que la suma total
de la energı́a generada por todas las unidades iguale la demanda total del sistema:

n
X
Pi = D + L (3.3)
i=1

10
donde D es la demanda del sistema y n es el número de unidades generadoras. Adicionalmen-
te, pueden considerarse las pérdidas en la red, que representan la energı́a disipada durante
la transmisión; estas pérdidas pueden modelarse mediante funciones no lineales o factores
de penalización si se desea un modelo más realista. Finalmente, deben tenerse en cuenta
restricciones ambientales y operativas, como lı́mites de emisiones contaminantes, disponibi-
lidad de combustible o mantenimientos programados, los cuales pueden imponer condiciones
adicionales al problema de optimización [1].

3.2.2. Algoritmo Genético implementado en despacho económico de sistemas

de potencia

Para tener en cuenta las pérdidas en el sistema, se utilizan los factores de penalidad
(P Fi ), los cuales ajustan la condición óptima de despacho para cada unidad generadora. Las
condiciones se expresan de la siguiente manera:

dFi (Pi )
P Fi · = λ para Pmı́n,i ≤ Pi ≤ Pmáx,i (3.4)
dPi

dFi (Pi )
< λ para Pi = Pmáx,i (3.5)
dPi

dFi (Pi )
> λ para Pi = Pmı́n,i (3.6)
dPi

Donde P Fi es el factor de penalidad de la unidad i, definido como:

1
P Fi = ∂L
(3.7)
1 − ∂P i

11
 ∂L
Las pérdidas incrementales ∂Pi
se obtienen a partir de la expresión de las pérdidas totales
L, que se calcula en función de los coeficientes B según la siguiente fórmula:

N X
X N N
X
L= Pi Bij Pj + B0i Pi + B00 (3.8)
i=1 j=1 i=1

Aquı́:

- Bij son los coeficientes cuadráticos de pérdidas,

- B0i son los coeficientes lineales de pérdidas, y

- B00 es el término constante de pérdidas.

El problema de despacho económico, definido mediante las ecuaciones clásicas (3.1), (3.2) y
(3.3), puede reformularse como un problema de dos objetivos: minimizar la función objetivo
(el costo total de generación) y reducir la desviación de la carga. Ambos objetivos se unifican
mediante la función de fitness del algoritmo genético (AG), que permite evaluar la calidad
de cada solución:

N
X
Φ= Pi − D − L (3.9)
i=1

La solución de esta nueva formulación del despacho económico se lleva a cabo mediante un
algoritmo genético con representación real. El fitness es el único parámetro que el algoritmo
utiliza para guiar la búsqueda de la mejor solución. Aunque no necesariamente corresponde
con la función objetivo, su correcta definición permite un mejor desempeño del AG [1].

La función fitness empleada es:

12
 (3.10)

Donde:

• k es una constante de amplificación.

• a y b controlan el castigo a desviaciones positivas y negativas.

• r es un valor de referencia.

• Fc′ es la función de costo normalizada, dada por:

Fc − Fmı́n
Fc′ = (3.11)
Fmáx − Fmı́n

Φ
Φr = (3.12)
2Φmáx

Los operadores genéticos utilizados incluyen:

• Cruzamiento heurı́stico: combina individuos usando extrapolación lineal.

• Mutación uniforme: ajusta aleatoriamente una variable dentro de su rango [1].

3.2.3. Algortimos Genéticos para el despacho ótimo de carga en redes eléctri-

cas con restricciones

El esquema del Algoritmo Genético diseñado para abordar el problema del despacho de
carga en sistemas eléctricos, teniendo en cuenta las limitaciones de capacidad en la red de

13
transmisión, se presenta en la Figura 3.1 [9].

El diagrama de flujo ilustra las etapas principales del algoritmo genético aplicado al des-
pacho económico de carga. El proceso inicia con la generación de una población inicial y
la evaluación de su aptitud mediante el flujo de carga DC. A partir de esta evaluación, se
seleccionan los mejores individuos, a los que se aplican operadores de cruce y mutación para
formar una nueva generación. Este ciclo se repite hasta que se cumple un criterio de con-
vergencia, garantizando ası́ una solución que minimiza el costo de generación y satisface las
restricciones del sistema.

Figura 3.1: Diagrama de Flujo del AG para resolver el Problema de Despacho de Carga

14
El procedimiento del algoritmo genético propuesto se desarrolla mediante una serie de etapas
secuenciales. Inicialmente, se genera aleatoriamente una población de individuos codificados
en binario. A partir de estos, se realiza un flujo de carga DC utilizando los valores de potencia
obtenidos tras decodificar cada cromosoma. Luego, se evalúa la aptitud de los individuos con
base en los costos de operación y el cumplimiento de restricciones técnicas. A continuación,
se seleccionan los mejores individuos mediante un esquema elitista y se aplican operadores
genéticos como cruzamiento y mutación para formar una nueva generación. Esta sustituye a
la población anterior, conservando al individuo más apto. Posteriormente, se repite el análisis
de flujo de carga y la evaluación de aptitud. El ciclo continúa hasta que se cumple el criterio
de convergencia, momento en el que se considera encontrada la solución óptima [9].

El criterio de convergencia se establece mediante la comparación entre el valor de la función

de adaptación del mejor individuo de una población y el promedio de los valores de la
función de adaptación de todos los individuos de la misma generación. La razón entre estos
dos valores se calcula y se le resta uno, como se muestra en la siguiente ecuación. Este valor
permite evaluar el progreso del algoritmo y determinar si se ha alcanzado la convergencia
[9]. !
M ax (F adapn )
PN p F adap −1≤ε (3.13)
i=1 Fi /N p

15
 4. ANALISIS DE LITERATURA

4.1. IMPLEMENTACIÓN DE LOS ALGORITMOS GENÉTICOS EN MATLAB

PARA DESPACHO ECONÓMICO MEDIANTE UN EJEMPLO

Teniendo en cuenta el ejercicio propuesto en [1] nombrado como ”Sistema de Prueba 2”, que
consta de un conjunto de seis unidades generadoras térmicas. Cada una de estas unidades
tiene una función de costo que depende de la potencia generada, y el objetivo es determinar
la distribución óptima de las cargas de generación para minimizar el costo total del sistema,
mientras se cumplen las restricciones operativas y de demanda.

Los datos que definen el sistema son los siguientes:

4.1.1. Potencias mı́nimas y máximas de las unidades generadoras:

Para cada unidad generadora, se especifica un rango de potencia en el que la unidad puede
operar. Estos lı́mites son cruciales para garantizar que las soluciones obtenidas sean fı́sica-
mente viables.

Pmı́n = [100, 50, 80, 50, 50, 50] (MW)

Pmáx = [500, 200, 300, 150, 200, 120] (MW)

Estos valores aseguran que cada unidad operará dentro de su capacidad máxima y mı́nima.

16
4.1.2. Demanda total del sistema:

La demanda total de potencia que debe ser cubierta por las unidades generadoras es de 1263
MW. Esta es la potencia que el sistema debe satisfacer a partir de las unidades generadoras
seleccionadas.

D = 1263 MW

4.1.3. Funciones de costo para cada unidad generadora:

Cada unidad generadora tiene una función de costo especı́fica que depende de la potencia
generada, la cual no solo incluye los términos cuadráticos y lineales, sino también una pena-
lización adicional representada por un término ∆i , el cual está relacionado con la desviación
de la potencia generada respecto a una potencia ideal.

F1 = 240 + 7,0P1 + 0,0070P12 + ∆1 $ /h (4.1)

F2 = 200 + 10,0P2 + 0,0095P22 + ∆2 $ /h (4.2)

F3 = 220 + 8,5P3 + 0,0090P32 + ∆3 $ /h (4.3)

F4 = 200 + 11,0P4 + 0,0090P42 + ∆4 $ /h (4.4)

17
 F5 = 220 + 10,5P5 + 0,0080P52 + ∆5 $ /h (4.5)

F6 = 190 + 12,0P6 + 0,0075P62 + ∆6 $ /h (4.6)

Cada función de costo para las unidades generadoras incluye un término adicional ∆i , el cual
se calcula a partir de la potencia generada Pi . La penalización ∆i tiene la siguiente forma:

 π 
∆1 = 175 sin (P1 − 100)
100

π 
∆2 = 125 sin (P2 − 50)
50

π 
∆3 = 150 sin (P3 − 60)
80

π 
∆4 = 125 sin (P4 − 50)
50

π 
∆5 = 125 sin (P5 − 50)
50

18
 π 
∆6 = 125 sin (P6 − 50)
50

Estos términos de penalización son no lineales, lo que introduce complejidad adicional al

problema de optimización.

En este ejercicio, se utilizarán los algoritmos genéticos para dos casos de despacho económico,
sin considerar pérdidas y considerando pérdidas del sistema.

Recordando que el algoritmo genético es un enfoque basado en la simulación de los procesos

de evolución natural. Este método es especialmente útil para problemas no convexos, como
es el caso de las funciones de costo no convexas. El AG buscará la distribución óptima de la
potencia generada para minimizar el costo total del sistema.

• Sin Pérdidas: Se resuelve el problema considerando solo el balance de potencia sin

tener en cuenta las pérdidas de transmisión.

• Con Pérdidas: Se resuelve el problema considerando que una fracción de la potencia

generada se pierde durante la transmisión, lo que implica que la potencia generada
debe ser mayor que la demanda total D para compensar las pérdidas.

D
Ptotal = (4.7)
1−α

Donde α es el factor de pérdidas.

4.1.4. Implementación del Algoritmo Genético

A continuación, se describe cómo se implementa el algoritmo genético para ambos casos, con
y sin pérdidas:

19
 1. Inicialización de la población: La población inicial está compuesta por un conjunto
de soluciones aleatorias para las potencias generadas por cada unidad generadora. Cada
solución es un vector P = [P1 , P2 , P3 , P4 , P5 , P6 ], que representa las potencias generadas
por las unidades.

2. Evaluación del fitness: Para cada individuo en la población, se calcula el costo total
de generación Ftotal utilizando las funciones de costo para cada unidad generadora. La
penalización ∆i se calcula y se agrega a cada costo.

3. Selección, Cruza y Mutación:

• Selección: Se utiliza el método de selección por ruleta, donde los individuos con
el mejor fitness tienen más probabilidad de ser seleccionados para la cruza.

• Cruza: Se genera un hijo combinando las caracterı́sticas de dos individuos (pa-

dres). La cruza es una mezcla de las potencias generadas por los padres.

• Mutación: Se introduce variabilidad genética cambiando aleatoriamente la po-

tencia generada de una unidad dentro de sus lı́mites operativos.

4. Convergencia: El algoritmo genético sigue iterando hasta que el número máximo de

generaciones se alcanza o el fitness promedio de la población deja de mejorar significa-
tivamente.

4.1.5. Aplicación AG en MATLAB y resultados obtenidos

El código en MATLAB para el despacho económico sin considerar pérdidas se ilustra en las
Figuras 4.1 4.2 4.3. Siguiendo la misma estructura del ı́tem anterior,

20
 Figura 4.1: Código AG sin considerar pérdidas. PARTE 1

Figura 4.2: Código AG sin considerar pérdidas. PARTE 2

Figura 4.3: Código AG sin considerar pérdidas. PARTE 3

De igual forma, en las Figuras 4.4 4.5 4.6 4.7 se ilustra el código en MATLAB para el
despacho económico considerando pérdidas. factor de pérdidas α=0.1 (es decir, un 10 % de
pérdidas en la potencia generada).

21
Figura 4.4: Código AG considerando pérdidas. PARTE 1

Figura 4.5: Código AG considerando pérdidas. PARTE 2

Figura 4.6: Código AG considerando pérdidas. PARTE 3

22
 Figura 4.7: Código AG considerando pérdidas. PARTE 4

A continuación, se presentan los resultados obtenidos en MATLAB aplicando los algoritmos

genéticos con y sin pérdidas, los cuales ilustran la eficiencia y el rendimiento de ambos
enfoques. Figura 4.8 4.9 4.10 4.11.

Figura 4.8: Resultados AG sin considerar pérdidas PARTE 1

Figura 4.9: Resultados AG sin considerar pérdidas PARTE 2

23
 Figura 4.10: Resultados AG considerando pérdidas PARTE 1

Figura 4.11: Resultados AG considerando pérdidas PARTE 2

En las Tablas 1 y 2, se comparan las potencias generadas por cada unidad, el costo total de
generación y la convergencia del algoritmo.

24
Tabla 1. Función de costos no convexa multiples soluciones sin considerar pérdidas

Tabla 2. Función de costos no convexa multiples soluciones considerando pérdidas

(*) La peor y mejor solución de un total de diez ejecuciones del programa.

El costo aumenta cuando se consideran las pérdidas del sistema (factor de pérdidas α=0.1; es
decir, un 10 % de pérdidas en la potencia generada), como se observa en la Tabla 2. Támbien
se observa que entre el peor y el mejor resultado de la ejecución del programa no hay mucha
diferencia, se encuentra en un rango tolerable; esto combrueba la efectividad del AG, ya que
en las diez ejecuciones no hubo grandes diferencias.

25
 5. CONCLUSIONES

1. El uso de algoritmos genéticos para resolver el problema del despacho económico ha

demostrado ser una alternativa efectiva frente a los métodos clásicos, especialmente en
casos donde las funciones de costo presentan caracterı́sticas no convexas. Su capacidad
para trabajar con funciones no derivables y manejar múltiples restricciones lo convierte
en una herramienta adecuada para sistemas de generación más realistas.

2. Gracias a la definición adecuada de la función fitness, es posible incorporar de manera

simultánea objetivos como la minimización del costo total de generación y la desviación
de carga, permitiendo que el algoritmo evolucione hacia soluciones que cumplen con
ambos criterios. Esto ofrece una ventaja significativa en comparación con enfoques que
solo consideran un único objetivo.

3. Además, los algoritmos genéticos permiten una gran flexibilidad en su diseño e im-
plementación. La posibilidad de ajustar operadores como la cruza, la mutación y los
criterios de selección, facilita su adaptación a distintos tipos de sistemas eléctricos.
Herramientas como MATLAB permiten su implementación práctica, reduciendo la
complejidad del desarrollo y mejorando la interpretación de los resultados.

4. En la implementación del AG en MATLAB, se llevó a cabalidad un ejercicio propuesto

en [1], donde se ejecuta el AG para el despacho económico sin considerar pérdidas y
considerando pérdidas, obteniendo como resultado que el costo aumenta al considerar
las pérdidas del sistema (α=0.1; es decir, un 10 % de pérdidas en la potencia generada),
como se muestra en la Tabla 2. Además, la diferencia entre el mejor y el peor resultado
de las diez ejecuciones es mı́nima, lo que confirma la efectividad del algoritmo genético,
pues las variaciones son dentro de un rango tolerable.

26
 6. REFERENCIAS

[1] Harnisch, I., Sanhueza, R., Dı́az, H. Revista Facultad de Ingenierı́a, Universidad de Ta-
rapacá. Despacho Económico con Unidades de Caracterı́sticas no Convexas Empleando Al-
goritmos Genéticos. Año 2000.

[2] Arias R., Castillo J. Tesis, Implementación de algoritmos genéticos para la realización del
despacho económico en unidades térmicas. Año 2002.

[3] Po-Hung Chen and Hong-Chan Chang. Large-Scale Economic Dispatch by Genetic Algo-
rithm. IEEE Transactions on Power Systems, Vol.10, No4, November 1995.

[4] Goldberg David. E. Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley Publishing Company. 1989.

[5] Goldberg David. E. A review of recent advances in economic dispatch. IEEE Transactions
on Power Systems, Vol.5, No.4, November. 1990.

[6] Saada, H.; Power Systems Analysis, Mc Graw Hill, 1999.

[7] Michalewicz, Z.; Genetic Algorithm + Data Structure = Evolution [Link],

1996.

[8] Strunz, K.; Object-Oriented Implementation of a Genetic Algorithm Based Approach to

Economic Dispatch of Power [Link] University, Germany.

[9] C. Arango, “Aplicación de algoritmos genéticos en el despacho de carga considerando

restricciones en la red de transporte,” ResearchGate, 2018. [En lı́nea].

[10] A. Piedrahita, “Algoritmos genéticos y PSO aplicados a un problema de generación

distribuida,” Revista de Ingenierı́a, vol. 39, pp. 26–34, 2014. [En lı́nea].

27
[11] J. Recalde, “Implementación de algoritmos matemáticos en software MATLAB para la
solución de problemas de optimización de despacho económico,” Tesis, EPN, 2020. [En lı́nea].

[12] M. Martı́nez, “Solución de flujo óptimo de potencia vı́a algoritmos genéticos,” Univer-
sidad de La Salle, 2021. [En lı́nea].

[13] P. Quinde, “Implementación de algoritmos genéticos para la realización del despacho

económico,” Tesis, Universidad de Cuenca, 2008. [En lı́nea].

[14] D. Martı́nez y J. González, “Despacho económico con unidades de caracterı́sticas no

convexas utilizando algoritmos genéticos,” Ingenierı́a, vol. 8, no. 2, pp. 15–23, 2003. [En
lı́nea].

[15] L. Córdoba, “Algoritmo genético como método de solución al despacho hidrotérmico a

corto plazo,” Tesis, Universidad de La Salle, 2020. [En lı́nea].

28